論文の概要: CACTUS: Mask-Guided Semantic Clean-Label Backdoors in Decentralized Federated Learning

• arxiv url: http://arxiv.org/abs/2609.02450v1
• Date: Wed, 02 Sep 2026 11:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.240559
• Title: CACTUS: Mask-Guided Semantic Clean-Label Backdoors in Decentralized Federated Learning
• Title（参考訳）: CACTUS: 分散型フェデレーション学習におけるマスクガイドによるクリーンラベルバックドア
• Authors: Chao Feng, Burkhard Stiller,
• Abstract要約: CACTUSはラベル一貫性のあるセマンティックペアをターゲット指向の表現シフトに変換する。 CACTUSは音声コマンドで平均攻撃成功率(ASR)が51.2%に達している。
• 参考スコア（独自算出の注目度）: 3.278446761115315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic triggers in federated learning (FL) can be less conspicuous than synthetic patches, but sample-dependent placement may weaken backdoor implantation across aggregation rounds. This challenge is compounded in decentralized FL (DFL), where topology-dependent peer aggregation repeatedly mixes local models. CACTUS converts label-consistent semantic pairs into target-directed representation shifts. Mask-guided, modality-specific operators isolate trigger effects, couple them across samples, and apply the shifts counterfactually to clean non-target embeddings before peer aggregation. Experiments cover speech, text, tabular, and image tasks under nine aggregation rules. With 30\% malicious nodes, CACTUS reaches a nine-rule mean attack success rate (ASR) of 51.2\% on Speech Commands and the highest nine-rule mean ASR among evaluated attacks on three of four modalities. Sensitivity analyses show that ASR varies with network topology and increases with the malicious-node ratio. These results indicate that CACTUS can propagate backdoors through repeated DFL aggregation.
• Abstract（参考訳）: 統合学習(FL)における意味的引き金は、合成パッチよりも目立たずであるが、サンプル依存の配置は、凝集ラウンド全体にわたるバックドア植込みを弱める可能性がある。 この課題は、トポロジに依存したピアアグリゲーションが局所モデルを繰り返し混合する分散FL(DFL)で複雑化されている。 CACTUSはラベル一貫性のあるセマンティックペアをターゲット指向の表現シフトに変換する。 マスク誘導型、モダリティ特異的作用素はトリガー効果を分離し、サンプルを結合し、ピアアグリゲーションの前に非ターゲット埋め込みをきれいにする。 実験では、9つのアグリゲーションルールの下で、音声、テキスト、表、イメージタスクをカバーする。 30\%の悪意のあるノードで、CACTUSは音声コマンドで平均攻撃成功率(ASR)が51.2\%に達し、4つのモードのうち3つの評価された攻撃のうち、9ルール平均攻撃成功率(ASR)が最高となる。 感度分析により、ASRはネットワークトポロジによって変化し、悪意のあるノード比で増加することが示された。 これらの結果から, CACTUSはDFLアグリゲーションを繰り返すことでバックドアを伝播させることができることが示唆された。

関連論文リスト

• When Collaboration Becomes a Trigger: Collective Evidence-Threshold Backdoors in Multi-Agent Systems [57.450132281381066]
  ピアエビデンスが単一のメッセージによって決定されるのではなく、隠れたしきい値に達すると、バックドアの動作が起動される。 我々は,MASとBundary-Conditioned Backdoor Injection(BCBI)のための集合的エビデンス-ホールドバックドアパラダイムを導入する。 クリーンな通信力学を学習し,異常なエージェント更新を隔離する,クリーンな唯一の潜時防御であるLATTEを提案する。
  論文  参考訳（メタデータ） (2026-08-02T08:38:44Z)
• Breaking Spurious Correlations via Generative Randomization and Cross-Variant Self-Supervised Learning [0.871725390496537]
  経験的リスク最小化でトレーニングされたディープニューラルネットワークは、分散シフト時に失敗することが多い。 最近の生成的アプローチでは、コンテキストが変化した反ファクト画像を作成することでこの問題に対処している。 生成的介入を用いて背景不変の視覚表現を明示的に学習する2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-07T05:13:26Z)
• Detecting Hallucinations in Retrieval-Augmented Generation through Grounding-Aware Sensitivity by Perturbation (GASP) [1.827510863075184]
  Grounding-Aware Sensitivity by Perturbation (GASP) は、抽出された証拠にどれだけ強く依存するかによって、各回答文をスコアするスパンレベル検出器である。 GASPは、完全なコンテキスト下で修正され、コンテキストなしで再スコアされ、各チャンクが削除された後、ログライクなドロップとJensen-Shannonの発散を測定する。 2つのモデルファミリーの3つのインストラクションチューニングスコアを用いた3つのベンチマーク(RAGTruth, TofuEval, RAGBench)でGASPを評価する。
  論文  参考訳（メタデータ） (2026-07-05T10:35:30Z)
• Beyond Corner Patches: Semantics-Aware Backdoor Attack in Federated Learning [6.76324539337304]
  フェデレートラーニング(FL)に対するバックドア攻撃は、多くの場合、合成コーナーパッチやアウト・オブ・ディストリビューションパターンで評価される。 フェデレートされた環境での学習を支援するセマンティックス対応バックドアであるSABLEを提案する。 我々のセマンティクス駆動トリガは、良識テスト精度を維持しながら高い目標攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-31T06:48:25Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• SRD: Reinforcement-Learned Semantic Perturbation for Backdoor Defense in VLMs [57.880467106470775]
  攻撃者は、トレーニングデータに知覚不能な摂動を注入することができ、モデルが悪意のある攻撃的制御されたキャプションを生成する。 本稿では,引き金の事前知識を伴わずにバックドア動作を緩和する強化学習フレームワークであるセマンティック・リワード・ディフェンス(SRD)を提案する。 SRDはDeep Q-Networkを使用して、機密画像領域に個別の摂動を適用するためのポリシーを学習し、悪意ある経路の活性化を妨害することを目的としている。
  論文  参考訳（メタデータ） (2025-06-05T08:22:24Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。